1er Lab Simulacion

SIMULACION DE SISTEMAS
PRIMER LABORATORIO

PROFESOR: Ing. Luis Zuloaga Rotta

ALUMNOS:
Roberto Carlos Jeri Sandoval
Orlando Sergio Yurivilca Vargas

1 de Mayo 2009
UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS
UNI-FIIS Primer Laboratorio
Simulacin de Sistemas Pgina 2
PRIMER LABORATORIO
Objetivo:
Comprender un proceso de simulacin bsico a travs de la construccin de un
algoritmo para generar nmeros Random y a partir de estas reproducir el
comportamiento de variables aleatorias en relacin a un comportamiento que se
ajusta a una funcin e distribucin de probabilidad terica conocida

1. Creacin de algoritmo para la generacin de nmeros Random.

a = 7
z = 83
t = 5
b = 1083
d = 5
m = 100000
R0= 9 (semilla)

Generamos nuestros nmeros aleatorios (Random) teniendo en cuenta la frmula del
algoritmo congruencial mixto.

#r
i+1
= ( a + b #r
i
)Mod(m)

Utilizamos para ello la funcin residuo de Microsoft Excel 2007 como apreciamos a
continuacin:


Nmeros Random generados con el algoritmo congruencial mixto

R1 9754 r1 0,09754
R2 63589 r2 0,63589
R3 66894 r3 0,66894
R4 46209 r4 0,46209
R5 44354 r5 0,44354
R6 35389 r6 0,35389
R7 26294 r7 0,26294
R8 76409 r8 0,76409
R9 50954 r9 0,50954
R10 83189 r10 0,83189
R11 93694 r11 0,93694
R12 70609 r12 0,70609
R13 69554 r13 0,69554
R14 26989 r14 0,26989
R15 29094 r15 0,29094
R16 8809 r16 0,08809
R17 40154 r17 0,40154
R18 86789 r18 0,86789
R19 92494 r19 0,92494
R20 71009 r20 0,71009

Luego utilizaremos estos nmeros generados para los 5 problemas
propuestos, aunque para los casos donde se necesiten muchas ms
variables aleatorias se complementar con la funcin Random de
Microsoft Excel.

Solucin de problemas propuestos
Distribucin Binomial
1. La probabilidad de xito de una determinada vacuna es 0.72. Esta
vacuna se administra a grupos de 10 pacientes con la finalidad de
identificar el nmero de xitos de la vacuna. Reproduzca el
comportamiento de la variable aleatoria nmero de pacientes que se
recuperan por la vacuna dentro de cada grupo de 10.

Solucin:

X : Numero pacientes que se recuperan al aplicarles la vacuna(xito)

Definimos la funcin Binomial

X BIN(n, p) donde x= b1+b2+b3+...b
n
= bi / bi ~ Bern(p)

F(X) = C
x
n
p
x
(1-p)
n-x

Definimos la funcin generadora Binomial:
X = bi

Donde :

b Bern(p)

G(X)= p
x
(1-p)
1-x

Entonces:
Bernoulli:
G(X) = 0.72
x
* 0.28
1-x

0 si #R > 0.72
X=
1 si #R <= 0.72

Binomial: X BIN(10,0.25)

F(X) = C
x
10
0.25
x
0.75
10-x

A continuacin observamos el comportamiento de la variable aleatoria nmero
de pacientes que se recuperan al aplicarles la vacuna.

#r1 #r2 #r3 #r4 #r5 #r6 #r7 #r8 #r9 #r10 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 X
1 0,09754 0,939 0,1948 0,2271 0,711 0,4186 0,6069 0,73965 0,574 0,3858 1 0 1 1 1 1 1 0 1 1 8
2 0,63589 0,6221 0,3914 0,5236 0,41846 0,2561 0,1918 0,26479 0,194 0,8726 1 1 1 1 1 1 1 1 1 0 9
3 0,66894 0,2316 0,2236 0,8749 0,1523 0,6916 0,6183 0,69866 0,776 0,0395 1 1 1 0 1 1 1 1 0 1 8
4 0,46209 0,9424 0,9011 0,1897 0,16325 0,8506 0,7522 0,15324 0,224 0,9041 1 0 0 1 1 0 0 1 1 0 5
5 0,44354 0,4988 0,2373 0,102 0,05659 0,7052 0,3985 0,29076 0,211 0,8641 1 1 1 1 1 1 1 1 1 0 9
6 0,35389 0,0612 0,9917 0,7986 0,0057 0,6785 0,1977 0,83155 0,121 0,5251 1 1 0 0 1 1 1 0 1 1 7
7 0,26294 0,6905 0,2854 0,772 0,72606 0,6076 0,7584 0,77455 0,911 0,8122 1 1 1 0 0 1 0 0 0 0 4
8 0,76409 0,7686 0,048 0,4522 0,15726 0,7691 0,287 0,03324 0,907 0,8277 0 0 1 1 1 0 1 1 0 0 5
9 0,50954 0,7858 0,3071 0,2366 0,21855 0,5175 0,9284 0,64072 0,135 0,4401 1 0 1 1 1 1 0 1 1 1 8
10 0,83189 0,625 0,2995 0,0567 0,07321 0,0368 0,6552 0,83156 0,903 0,2183 0 1 1 1 1 1 1 0 0 1 7
11 0,93694 0,9057 0,4951 0,5014 0,31376 0,0124 0,3954 0,30488 0,561 0,8787 0 0 1 1 1 1 1 1 1 0 7
12 0,70609 0,2245 0,0139 0,414 0,62869 0,8791 0,7583 0,70673 0,165 0,736 1 1 1 1 1 0 0 1 1 0 7
13 0,69554 0,6895 0,8743 0,5092 0,95624 0,1477 0,8708 0,24153 0,123 0,0895 1 1 0 1 0 1 0 1 1 1 7
14 0,26989 0,8655 0,6352 0,8201 0,8046 0,4922 0,9828 0,02378 0,965 0,543 1 0 1 0 0 1 0 1 0 1 5
15 0,29094 0,5037 0,022 0,5775 0,85746 0,9237 0,1 0,04444 0,434 0,9546 1 1 1 1 0 0 1 1 1 0 7
16 0,08809 0,8299 0,7027 0,763 0,73589 0,4344 0,2832 0,00054 0,759 0,4245 1 0 1 0 0 1 1 1 0 1 6
17 0,40154 0,1276 0,0109 0,3669 0,48027 0,4526 0,3133 0,04812 0,362 0,9208 1 1 1 1 1 1 1 1 1 0 9
18 0,86789 0,6041 0,8527 0,2159 0,18469 0,5658 0,3988 0,13085 0,858 0,6135 0 1 0 1 1 1 1 1 0 1 7
19 0,92494 0,7481 0,6266 0,1215 0,24319 0,4364 0,9287 0,15348 0,412 0,1656 0 0 1 1 1 1 0 1 1 1 7
20 0,71009 0,7828 0,039 0,689 0,80003 0,7145 0,9752 0,49868 0,825 0,4675 1 0 1 1 0 1 0 1 0 1 6
Simulacin de sistemas Pgina 7
Distribucin Normal
2. Consideremos que el peso de los nios varones en el momento del nacimiento
se distribuye normalmente. Si sabemos que el peso medio al momento de ancer
es de 3.25Kgs y la desviacin tpica es de 0.82Kgs, reproducir el
comportamiento de la variable aleatoria de un nio varn.

Solucin:

X: Peso de un nio varn al momento del nacimiento
Definimos la funcin Normal
x N( X ;u,
2
)
Entonces:
u = 3.25 Kgs.
= 0.82 Kgs.
x N( X ;3.25,0.82
2
)
Definimos la funcin generadora:
F(X) = 1/2t * e
-(1/2)(x-u/ )
Por lo tanto tenemos para n = 12:

X = u + [ #r
i
- 6 ] ;i [1,12]

Entonces:
X = 3.25 + 0.82[ #r
i
- 6 ] ;i [1,12]
Si X = # r1+# r2+# r3+# r4+# r5+...+# r
n
= # ri / # ri ~ RANDOM
para n=12 encontramos los siguientes valores para X

MEDIA = 3,25
DESVIACION TIPICA = 0,82

Con la formula de STURGES hallamos el nmero aproximado de intervalos:

K= 1+3.3*log(n) , donde n=20 k= 5.29 ~ 5

Tambin hallamos el rango R = 4.3516 1.6129 = 2.697 R/K= 0.5394

INTERVALOS FRECUENCIA
1,6129 2,1523 1
2,1523 2,6917 5
2,6917 3,2311 6
3,2311 3,7705 6
3,7705 4,3599 2
#r1 #r2 #r3 #r4 #r5 #r6 #r7 #r8 #r9 #r10 #r11 #r12 x
1 0,92863 0,2582 0,2784 0,9202 0,46231 0,0189 0,21379 0,9928 0,4552 0,5639 0,19965 0,4399 30,302
2 0,74578 0,4075 0,2699 0,454 0,59514 0,8201 0,91615 0,9454 0,577 0,0281 0,94878 0,6355 43,516
3 0,55216 0,5262 0,0548 0,2593 0,26666 0,7714 0,57046 0,433 0,7944 0,0708 0,30573 0,645 2,635
4 0,29812 0,4322 0,4395 0,162 0,7049 0,292 0,42642 0,4993 0,44 0,3454 0,55381 0,9275 28,573
5 0,4838 0,2544 0,2625 0,9722 0,54786 0,1612 0,43211 0,0122 0,0487 0,474 0,75127 0,8045 25,979
6 0,5513 0,0305 0,7523 0,6941 0,22755 0,6457 0,38718 0,3302 0,3379 0,7628 0,6563 0,7727 33,717
7 0,82223 0,8558 0,5861 0,8955 0,82986 0,3456 0,15222 0,2258 0,4929 0,8602 0,05464 0,4683 37,331
8 0,4915 0,062 0,1786 0,328 0,17343 0,3274 0,53742 0,6363 0,6607 0,203 0,19368 0,2116 16,129
9 0,43488 0,2723 0,0005 0,4793 0,68993 0,752 0,26713 0,5464 0,8561 0,3176 0,67815 0,2084 28,422
10 0,09545 0,9007 0,3406 0,2422 0,7449 0,2631 0,82031 0,0533 0,1515 0,3757 0,47566 0,8703 27,035
11 0,789 0,4321 0,6454 0,8815 0,73834 0,1521 0,73095 0,648 0,1046 0,4431 0,46974 0,4326 36,335
12 0,9254 0,7329 0,2748 0,8785 0,30592 0,2577 0,26358 0,5011 0,0624 0,0592 0,77543 0,0059 24,651
13 0,64873 0,2137 0,2186 0,7408 0,33515 0,9802 0,00125 0,6102 0,5513 0,8967 0,52673 0,901 3,762
14 0,03659 0,22 0,4276 0,1979 0,56408 0,6398 0,50439 0,401 0,9313 0,9822 0,22552 0,6616 30,794
15 0,1121 0,3267 0,819 0,1963 0,28127 0,8342 0,6957 0,1668 0,0357 0,2412 0,70383 0,5267 23,803
16 0,42099 0,3077 0,7825 0,191 0,33573 0,5899 0,79711 0,4566 0,7684 0,7351 0,91131 0,0879 3,565
17 0,20367 0,4378 0,674 0,3452 0,10409 0,3479 0,91728 0,8881 0,6447 0,469 0,83741 0,6713 36,932
18 0,66451 0,4205 0,8308 0,882 0,0322 0,3933 0,97611 0,6688 0,5473 0,9823 0,4057 0,513 43,295
19 0,47839 0,7675 0,6315 0,3576 0,43838 0,0467 0,84843 0,1691 0,413 0,4116 0,1041 0,5692 26,231
20 0,15628 0,7835 0,995 0,6415 0,35579 0,4228 0,21123 0,291 0,286 0,7529 0,31615 0,1283 27,092
A continuacin podemos observar la grafica NORMAL de los datos obtenidos

Distribucin Normal
0
1
2
3
4
5
6
7
1 2 3 4 5
f
r
e
c
u
e
n
c
i
a

Distribucin Exponencial Negativa

3. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue
una distribucin exponencial con media de 16 aos, Reproducir el
comportamiento de la variable tiempo de vida de un marcapaso.

X: Tiempo de vida del marcapasos.
Definimos la funcin Exponencial.

F(x) = u

e
-ux

Definimos la funcin generadora Exponencial.

X = -(1/u) ln(1- # r)
F(X) = 1/16 e
-x/16
y u = 1/16
Entonces: X = -16 ln( 1- # r)
Datos:
media 1/ = 16
f(x) = 1/16*exp(-1/16*x)

#r x
1 0.095326761 1.60290339
2 0.426660898 8.90044699
3 0.840524157 29.3738051
4 0.081950384 1.36806147
5 0.001685366 0.02698861
6 0.542267513 12.5035257
7 0.214181971 3.85648046
8 0.779884861 24.2176721
9 0.727075565 20.7769651
10 0.16582663 2.90102433
11 0.409042346 8.41617464
12 0.577856678 13.7985664
13 0.751620332 22.2847486
14 0.785443899 24.6269445
15 0.458250533 9.80722596
16 0.823694123 27.7685577
17 0.996866053 92.247394
18 0.523374843 11.8563989
19 0.123540012 2.10982761
20 0.253190871 4.6711303

Exponencial negativa (1/u=16)
0
0.02
0.04
0.06
0.08
0.1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
valores x
p
(
x
)
Distribucin Poisson
4. Se esta investigando la seguridad de una carretera e la que es muy peligrosa
circular. Los archivos de la polica indican una media de cinco accidentes por
mes de ella. El numero de accidentes este distribuido conforme a la distribucin
de Poisson, y la direccin de seguridad en carreteras de la Polica quiere
reproducir el comportamiento de la variable aleatoria de accidentes.

X: # de fallas de accidentes en 1 mes.
Definimos la funcin generadora de Poisson.
F(x) = (t )
x
e
- t
/ x!
Definimos la funcin generadora Exponencial:
F(X) = ue
-ux
Por lo tanto: S X ~ Poiss() t (entre fallas) ~ Exp(1/ )
X = Max { i ; t = T }
Siempre que : t =-(1/ )ln(1-#r)
= 5 , u = 1/= 0.2
t = - 1/5 ln( 1- # r)
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12
1 0.561 0.5639 0.02 0.09 0.09 0.01 0 0.12 0.45 0.16 0.03 0.61 0.018
2 0.1884 0.2255 0.29 0.07 0.51 0.2 0.01 0.11 0.01 0 0.14 0.04 0.007
3 0.0326 1.1059 0.31 0.04 0.56 0.13 0.12 0.21 0.1 0.13 0.02 0 0.087
4 0.148 0.016 0.05 0.05 0.33 0.01 0.14 0.19 0.05 0.39 0.29 0.31 0.268
5 0.1044 0.4445 0.08 0.3 0.05 0.34 0 0.02 0.13 0.1 0.65 0.47 0.065
6 0.1508 0.0258 0.39 0.02 0.35 0.44 0.15 0.02 0.08 0.04 0.03 0.04 0.225
7 0.248 0.0134 0.04 0.01 0.25 0.03 0.36 0.09 0.07 0.44 0.06 0.18 0.161
8 0.1816 0.0006 0 0.16 0.23 0.01 0.13 0.07 0.13 0.42 0.11 0.07 0.106
9 0.0547 0.0478 0.36 0.02 0.36 0.09 0.07 0.01 0.44 0.18 0.31 0.19 0.169
10 0.6776 0.1656 0.14 0.26 0.13 0.49 0.13 0.01 0.19 0.07 0.24 0.16 0.095
11 0.2472 0.0042 0.93 0.07 0.24 0.02 0.64 0.12 0.02 0.02 0.24 0.01 0.337
12 0.1553 0.0419 0.08 0.5 0.04 0.27 0.25 0.01 0.05 0.35 0.02 0.18 0.249
13 0.2614 0.0545 0.25 0.03 0.64 0.92 0.04 0 0.02 0.17 0.14 0.24 0.061
14 0.0201 0.1532 0.21 0.05 0.16 0.06 0.2 0.07 0.12 0.14 0.29 0.44 0.195
15 0.3271 0.0857 0.08 0.07 0.02 0.15 0.07 0.09 0.06 0.18 0 0.17 0.073
16 0.0113 0.0507 0.03 0.15 0.02 0.04 0.07 0.08 0.03 0.43 0.16 0.05 0.15
17 0.1373 0.0514 0.29 0.11 0.16 0.06 0.21 0.04 0.02 0.12 0.01 0.08 0.106
18 0.0216 0.4169 0.01 0.01 0.08 0.26 0.02 0.11 0.13 0.15 0.37 0.06 0.106
19 0.0708 0.1173 0.07 0.03 0.52 0.25 0.42 0.02 0.27 0.12 0.03 0.18 0.063
20 0.0349 0.1557 0.11 0.13 0.01 0.02 0.23 0.36 0.16 0.09 0.24 0.97 0.197

t(0,0) t(0,1) t(0,2) t(0,3) t(0,4) t(0,5) t(0,6) t(0,7) t(0,8) t(0,9) t(0,10) t(0,11) x
0.561 1.125 1.148 1.242 1.33 1.339 1.3432 1.46 1.9052 2.067 2.0953 2.7029 1
0.188 0.414 0.708 0.7786 1.29 1.491 1.5037 1.617 1.6223 1.623 1.7674 1.8106 4
0.033 1.139 1.445 1.4886 2.048 2.177 2.3 2.508 2.6097 2.737 2.7537 2.758 1
0.148 0.164 0.217 0.2643 0.591 0.6 0.7374 0.929 0.9813 1.369 1.6582 1.9636 9
0.104 0.549 0.625 0.9286 0.977 1.322 1.323 1.347 1.4778 1.574 2.2244 2.6951 5
0.151 0.177 0.565 0.582 0.929 1.366 1.5201 1.541 1.62 1.662 1.6918 1.7272 5
0.248 0.261 0.306 0.319 0.568 0.597 0.9595 1.051 1.123 1.558 1.6169 1.793 7
0.182 0.182 0.182 0.3388 0.574 0.586 0.7191 0.784 0.9152 1.334 1.443 1.5088 9
0.055 0.103 0.458 0.4788 0.837 0.926 0.998 1.004 1.4458 1.628 1.9342 2.1225 7
0.678 0.843 0.987 1.2519 1.378 1.869 1.9963 2.006 2.1929 2.262 2.5056 2.6676 3
0.247 0.251 1.184 1.2547 1.5 1.515 2.1504 2.274 2.296 2.312 2.5469 2.5567 2
0.155 0.197 0.277 0.7772 0.819 1.088 1.3351 1.345 1.3972 1.745 1.769 1.9469 5
0.261 0.316 0.564 0.5973 1.241 2.162 2.2012 2.204 2.2228 2.388 2.5323 2.7738 4
0.02 0.173 0.388 0.4372 0.592 0.654 0.8545 0.924 1.0472 1.189 1.4781 1.9154 8
0.327 0.413 0.49 0.5645 0.582 0.728 0.7943 0.885 0.9446 1.127 1.1306 1.2978 9
0.011 0.062 0.093 0.2481 0.273 0.311 0.3834 0.463 0.49 0.916 1.072 1.1198 10
0.137 0.189 0.479 0.5909 0.751 0.809 1.0163 1.06 1.0756 1.197 1.2112 1.2903 6
0.022 0.439 0.445 0.4534 0.537 0.797 0.819 0.93 1.0634 1.212 1.5838 1.6393 8
0.071 0.188 0.253 0.2788 0.8 1.046 1.4616 1.482 1.7511 1.871 1.9021 2.0808 5
0.035 0.191 0.302 0.4314 0.446 0.47 0.696 1.056 1.2202 1.311 1.551 2.5188 7

Para cada valor de x obtenidos reproducimos su valor y ordenamos

x P(x)=
1 0.03369
4 0.17547
1 0.03369
9 0.03627
5 0.17547
5 0.17547
7 0.10444
9 0.03627
7 0.10444
3 0.14037
2 0.08422
5 0.17547
4 0.17547
8 0.06528
9 0.03627
10 0.01813
6 0.14622
8 0.06528
5 0.17547
7 0.10444
x p(x)
1 0.034
2 0.084
3 0.14
4 0.175
5 0.175
6 0.146
7 0.104
8 0.065
9 0.036
10 0.018
11 0.008
12 0.003
Finalmente graficamos:

Distribucion Poisson (=5)
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
1 2 3 4 5 6 7 8 9 10 11 12
valores X
p
(
x
)

Distribucin Geomtrica:
5. Un matrimonio quiere teber una hija, y por ello deciden tener hijos hasta el
nacimiento de una hija. Reproducir el comportamiento de la variable aleatoria
numero esperado de hijos varones que tendra el matrimonio hasta conseguir
tener una hija

Consideremos lo siguiente:
Sea X = i la variable que representa el numero de repeticiones hasta obtener el primer
xito,
Asumimos una probabilidad de p=0.40
Donde p es (xito) y q =1- p (fracaso)
Usando la siguiente formula
1

Donde U es el numero Random y Ent() es la funcin entero

Podemos reproducir valores para x que tengan el comportamiento de la distribucin
geomtrica que represente el comportamiento de dicho evento.

Entonces si q= 1-p

U: Nmero Random , tenemos lo siguiente

((Ln(U)/(LN(1-p))) X P(x)
6.9818 7 0.019
0.7817 1 0.400
1.6888 2 0.240
0.4484 1 0.400
0.7208 1 0.400
4.1485 5 0.052
1.5040 2 0.240
1.1825 2 0.240
1.3375 2 0.240
0.3817 1 0.400
2.9751 3 0.144
1.4408 2 0.240
0.0728 1 0.400
4.7121 5 0.052
0.8811 1 0.400
2.6353 3 0.144
1.1948 2 0.240
3.9348 4 0.086
0.1236 1 0.400
2.3718 3 0.144
3.3386 4 0.086
0.1202 1 0.400
7.1158 8 0.011
0.3236 1 0.400
0.8441 1 0.400
3.2202 4 0.086
0.5258 1 0.400
8.5785 9 0.007
1.2511 2 0.240
5.2093 6 0.031

Agrupando los valores generados para X podemos bosquejar la grafica:
1 0.400000
2 0.240000
3 0.144000
4 0.086400
5 0.051840
6 0.031104

. Aplicar la Prueba de bondad de ajuste para el siguiente caso:
29 47 42 14 55
78 32 51 16 27
48 33 52 73 78
29 54 53 74 48
30 56 56 45 49
44 33 57 21 50
72 62 58 23 51
73 63 71 66 86
45 64 76 67 58
82 36 77 42 59
84 38 58 43 89
71 53 60 51 36
75 54 60 67 37
84 38 62 70 91
45 40 65 57 92
45 57 65 78 93

7 0.018662
8 0.011197
9 0.006718
DISTRIBUCION GEOMETRICA( P=0.4)
0
0.1
0.2
0.3
0.4
0.5
1 2 3 4 5 6 7 8 9
x
p
(
x
)
Serie2
Al se debe organizar en intervalos, para determinar el nmero se usa la
Frmula de Sturges:
K = 1 + 3.3 log n

Para el caso: = 1 + 3.3 log 80 = 7.3
Redondeando: 8

Aplicamos la PRUEBA DE KOLMOGOROV- SMIRNOV

Y se hace las distribuciones, hallando las frecuencias y probabilidades:
Intervalo [] ho Frec rel Frec Abs Prob teor Prob Acum Diferencia
1 14,23 4 0.05 0.05 0.03088 0.03088 0.01912
2 24,33 7 0.0875 0.1375 0.07651 0.10739 0.03011
3 34,43 9 0.1125 0.25 0.14247 0.24986 0.00014
4 44,53 16 0.2 0.45 0.19946 0.44932 0.00068
5 54,63 17 0.2125 0.6625 0.20996 0.65928 0.00322
6 64,73 12 0.15 0.8125 0.16618 0.82546 0.01296
7 74,83 8 0.1 0.9125 0.0989 0.92436 0.01186
8 84,93 7 0.0875 1 0.04424 0.9686 0.0314

Por la tanto se calcula el estadstico K/S terico a partir de las tablas con un
o = 5%.
Dt=1.36/80=0.152
Entonces: Como Dc << Dt (5%,80) aceptamos H
0

Que significa que la distribucin SE AJUSTA A UNA DISTRIBUCION NORMAL.
Otra solucin: PRUEBA CHI-CUADRADO
Tomado de:
http://ares.unimet.edu.ve/matematica/bpmm30/BPMM31/no%20param%E9tricas/PRUEBAS
%20DE%20BONDAD%20DE%20AJUSTE%20Y%20PRUEBA%20DE%20NORMALIDAD.doc.
A continuacin se hace el desarrollo completo de la prueba de bondad de ajuste,
partiendo de distribucin de los datos en intervalos de frecuencia y la construccin del
histograma.
La muestra tiene un puntaje promedio de 55.8 y una desviacin estndar de 18.6
puntos.
El puntaje mnimo fue de 14 y el mximo de 93.
La amplitud o rango est dado por Rango = R = Rango = Xmax - Xmin = 93 - 14 = 79
El nmero de intervalos de clase, calculado usando la frmula de Sturgess, est
dado por:
k = 1 +3.32 Log (80) = 7.32 = 8
La amplitud o ancho del intervalo est dado por
875 , 9
8
79
min max
= =
= =
K
X X
K
R
a
i
aprox. = 10
La distribucin de frecuencia muestra que los puntajes se pueden aproximar
razonablemente bien por una distribucin normal. Por lo tanto la hiptesis formuladas
son:

H0: f(x, u) = N(, o)=N(=55,8 ; o=18,6)
H1: f(x, u) = N(, o),
La tabla siguiente presenta los valores distribuidos en los intervalos de clase y
la frecuencia absoluta de cada intervalo, correspondiente al nmero de observaciones
que caen en l. Igualmente se presentan en la tabla los clculos necesarios para
realizar la prueba Chi- cuadrado.
Los principales clculos se resumen a continuacin:
En general Pi, la probabilidad de que una observacin quede en el intervalo i est
dada por:

Como la variable aleatoria X se distribuye normalmente N(, o), entonces Pi puede
expresarse como:
) ( ) (
1
1
i i
i i
i
Z Z Z P
X X X
P p s s =
o

o

o

Al realizar los clculos para Pi se tuvieron en cuenta los intervalos extremos como
casos especiales, a saber:
Clculo de P1. El clculo de P1 corresponde a la probabilidad de que la variable
aleatoria sea menor o igual que X1, (igual a 24). Es decir,

Clculo de P
8
. El ltimo intervalo corresponde a los valores de la poblacin que sean
mayores que xn (84 en nuestro caso). Por lo tanto, P8 se calcula como:

Para los dems valores Pi se calcul como: Pi = F(Xi) - F(Xi-1) = (zi)- (zi-1)

El valor chi cuadrado calculado es X = 1.46. El valor crtico con un nivel de
significancia del 5% y 4 grados de libertad es 9,49. Por lo tanto, se concluye
que no hay evidencia para rechazar la hiptesis de que el puntaje obtenido
en la prueba de habilidad se puede representar mediante una distribucin
normal con un puntaje medio de 55.8 puntos, y una desviacin estndar de
18.6 puntos

ANEXOS
OTROS MTODOS DE GENERACIN DE VARIABLES ALEATORIOS Y EJEMPLOS
APLICATIVOS
El mtodo de la transformacin Inversa


Generacin de variables aleatorias para distribucin GEOMETRICA


Ejemplo

Para la siguiente distribucin de probabilidad:

f(x)=
x , si 0 x < 1
, si 1 x < 1
1 - x , si 1 x < 2
f(x)=
x , si 0 x < 1
, si 1 x < 1
1 - x , si 1 x < 2

Calcular:
La probabilidad acumulada por cada
rango.
0 1 1 2 2
x
f(x )
0 1 1 2 2
x
f(x )

a. La funcin de distribucin acumulada (defina esta funcin por cada rango), apoye
sus resultados con una grfica.
b. La funcin para generar valores aleatorios, dado una variable aleatoria R con
distribucin uniforme.

c. Generar 10 valores de la variable aleatoria para los siguientes nmeros aleatorios.

0.8191 0.7084 0.4739 0.3617 0.0511
0.9358 0.3175 0.7858 0.6605 0.6238

Solucin:

Funcin de distribucin acumulada por rango

Funcin Integral Integral Rango Rango rea
x x
2
/3 x
2
/3 si 0 x < 1 1/3
2x/3 2/3(x-1) si 1 x < 1 1/3
1 - x 5x/3 x
2
/3 5x/3-x
2
/3-7/4 si 1 x < 2 1/3

Funcin acumulada

x
2
/3 si 0 x < 1
F(x) = 2/3(x-1) + 1/3 si 1 x < 1
5x/3-x
2
/3-7/4 + 2/3 si 1 x < 2

Grfico de la funcin de distribucin y de la funcin de probabilidad:
0.0
0.2
0.4
0.6
0.8
1.0
0 0.5 1 1.5 2 2.5
f(x)
F(x)
R1
R2
R3

Calculando el generador de variables aleatorias x por rango.

1
3R
si 0 R
1
< 1/3
F(x) = 2 / ) 1 3 (
2
+ R
si 1/3 R
2
< 2/3

) 1 ( 3 5 . 2
3
R
si 2/3 R
3
1

Generando los 10 valores de la variable aleatoria x.

PRUEBAS DE BONDAD DE AJUSTE Y PRUEBA DE NORMALIDAD
Una hiptesis estadstica se define como una afirmacin o conjetura acerca de
la distribucin f(x, u) de una o ms variables aleatorias. Igualmente se plantea
que la distribucin poda tener uno o ms parmetros desconocidos, que
denotamos por u y que la hiptesis se relaciona con este parmetro o conjunto
de parmetros En otros casos, se desconoce por completo la forma de la
distribucin y la hiptesis entonces se relaciona con una distribucin especfica
R x
0.8191 1.7633
0.7084 1.5647
0.4739 1.2109
0.3617 1.0426
0.0511 0.3915
0.9358 2.0611
0.3175 0.9760
0.7858 1.6984
0.6605 1.4908
0.6238 1.4357
f(x, u) que podamos asignarle al conjunto de datos de la muestra. Ahora
examinaremos el problema de verificar si el conjunto de datos se puede ajustar
o afirmar que proviene de una determinada distribucin. Las pruebas
estadsticas que tratan este problema reciben el nombre general de "Pruebas
de Bondad de Ajuste".
La prueba Chi - Cuadrado caen en la categora de lo que en estadstica se
denominan pruebas de "Bondad de Ajuste" y miden, como el nombre lo indica,
el grado de ajuste que existe entre la distribucin obtenida a partir de la
muestra y la distribucin terica que se supone debe seguir esa muestra. Esta
prueba est basada en la hiptesis nula de que no hay diferencias significativas
entre la distribucin muestral y la terica. Esta prueba esta basada en las
siguientes hiptesis:
H0: f(x, u) = f
0
(x, u)
H1: f(x, u) = f
0
(x, u)
donde f
0
(x, u) es la distribucin que se supone sigue la muestra aleatoria. La
hiptesis alternativa siempre se enuncia como que los datos no siguen la
distribucin supuesta. Si se desea examinar otra distribucin especfica, deber
realizarse de nuevo la otra prueba suponiendo que la hiptesis nula es esta
nueva distribucin. Al especificar la hiptesis nula, el conjunto de parmetros
definidos por u puede ser conocido o desconocido. En caso de que los
parmetros sean desconocidos, es necesario estimarlos mediante alguno de
los mtodos de estimacin analizados con anterioridad.
Para formular la hiptesis nula debern tenerse en cuenta el siguiente aspecto
o criterio:
Histograma. La forma que tome el histograma de frecuencia es quizs la mejor
indicacin del tipo de distribucin a considerar.
Prueba Chi Cuadrado
Esta prueba se usa cuando se quiere probar la hiptesis de que unos datos
mustrales provienen de una determinada distribucin.
La prueba chi-cuadrado se basa en la comparacin entre la frecuencia
observada en un intervalo de clase y la frecuencia esperada en dicho intervalo,
calculada de acuerdo con la hiptesis nula formulada. Es decir, se quiere
determinar si las frecuencias observadas en la muestra estn lo
suficientemente cerca de las frecuencias esperadas bajo la hiptesis nula.
Para esta prueba es necesario agrupar o distribuir las observaciones de la
muestra en intervalos de clase, preferiblemente del mismo tamao. El
estadstico de prueba est definido como:
=
K
i i
i i
P
E
E O
X
1
2
2
) (

donde: O
i
= Total de valores que caen en el intervalo i.
E
i
= Nmero esperado de valores en el intervalo i.
k = Nmero de intervalos de clase en que se distribuyen las observaciones.
Si los lmites del intervalo de clase i estn dados por X
i
-1 y X
i
, como lo ilustra la
presente grfica, el nmero esperado de observaciones para ese intervalo est
dado por:
Ei =nP
i

Donde P
i
representa la probabilidad de que una observacin quede en el
intervalo i, de acuerdo con funcin de densidad que se est analizando, y n es
el nmero total de observaciones.
La probabilidad de que una observacin caiga en el intervalo i est dada por:
}

= s s =

i
i
X
X
i i i
dx x f X X X P p
1
) , ( ) (
0 1
u

donde f
0
(x, u) es la funcin de densidad de la variable aleatoria X, bajo la
hiptesis nula.
Para ver que distribucin sigue el estadstico X, considere la siguiente
situacin:
Suponga que las observaciones de la muestra pueden clasificarse en dos
intervalos o categoras. Sea Y
1
el nmero de observaciones que caen en la
categora 1, y sea P
1
su respectiva probabilidad.
Si el tamao de muestra es lo suficientemente grande, Y
1
(que sigue una
distribucin binomial) puede aproximarse por una distribucin normal con valor
esperado nP
1
y varianza nP
1
(1-P
1
). Por lo tanto, la variable Z definida a
continuacin sigue una distribucin normal estndar, y Z una distribucin chi
cuadrado con un grado de libertad.

Si definimos Y2 como Y2 = n - Y1, y P2 = 1 - P1, se tiene que Z se puede
desarrollar de la siguiente manera:

Ahora suponga que las observaciones pueden clasificarse no en dos sino en k
clasificaciones mutuamente excluyentes, y sean Yi y Pi el nmero de variables
que caen en la categora i y la probabilidad respectiva. La distribucin conjunta
de Y1, Y2,...,Yk tiene una distribucin multinomial con parmetros n, P1, P2,...
y Pn, donde Pk = 1 - P1 - P2 -... -Pk-1. Se puede demostrar que la variable Z2
definida a continuacin sigue una distribucin chi cuadrado con k-1 grados de
libertad:

Comparando la expresin anterior con el estadstico X definido previamente,
vemos que este estadstico sigue tambin la distribucin chi cuadrado con k - 1
- p grados de libertad, siendo p el nmero de parmetros estimados para definir
completamente la funcin f
0
(x, u). Sin embargo para que esta suposicin sea
vlida se requiere que el nmero esperado de observaciones en cada intervalo
de clase sea por lo menos 5 (Ei > 5). Si esta condicin no se cumple, es
necesario agrupar en uno los resultados de varios intervalos de clase.
Segn lo anterior se acepta la hiptesis nula si X s , donde el valor
representa el valor de la distribucin chi cuadrado con k-1-p grados de
libertad y un nivel de significancia de o (es el valor de distribucin chi cuadrado
que tiene un rea de a o su derecha).
Algunas consideraciones que hay que tener en cuenta con respecto a la
aplicacin de esta prueba son las siguientes:
1) El nmero de intervalos de clase debe ser por lo menos cinco. Para facilidad
de los clculos y la identificacin de la posible distribucin tampoco debera ser
muy grande ( k s 20).
2) El nmero esperado de observaciones en cada intervalo debe ser mayor o
igual a cinco; en caso contrario, deberan agruparse varios intervalos para
lograr esto.
3) Al realizar los clculos para Pi hay que tener en cuenta los intervalos
extremos como casos especiales, a saber:
Clculo de P
1
. Aunque el primer intervalo incluye aquellos valores observados
que estn ente X
0
y X
1
, slo corresponde a los resultados de una muestra. El
hecho de que no se hayan observado en la muestra valores menores o iguales
que x0 no implica que en la poblacin de donde se toma la muestra no se
puedan presentar valores menores o iguales que x
0
. Por lo tanto, el clculo de
P
1
corresponde a la probabilidad de que la variable aleatoria sea menor o igual
que X
1
, y no nicamente entre X
0
y X
1
. Es decir,

Clculo de P
n
. De manera similar, el ltimo intervalo corresponde no slo a los
valores que estn entre X
k-1
y X
k
, sino que comprende tambin los valores de
la poblacin que sean mayores que X
k
, as stos no se hayan presentado en la
muestra. Por lo tanto, P
k
se calcula como:

Ejemplo. Para verificar un generador congruencial de nmero aleatorios se
gener una secuencia de 100 nmeros, los cuales se distribuyeron en 10
intervalos de clase igualmente espaciados, y que se presentan en la tabla
siguiente. Se desea probar, mediante la prueba chi cuadrado, la hiptesis de
que los nmeros generados se distribuyen uniformemente entre 0 y 1. Use un
nivel de confianza del 1%.

Las hiptesis a plantear son las siguientes:
H0: f(x, u) = U(0,1) = 1
H1: f(x, u) = U(0,1)
La figura de la pgina siguiente nos muestra el histograma de frecuencia
respectivo.
La probabilidad de que una observacin caiga en el intervalo i est dada por:

En nuestro caso, tratndose de la distribucin uniforme y para k intervalos de
clase igualmente espaciados, la probabilidad de que una observacin quede en
el intervalo i est dada por:
Pi = 1/k = 1/10 = 0.10, i = 1, 2 ,,, k
Entonces el nmero esperado de valores en cada intervalo est dado por:
Ei = pi N = N/k = 100/10 = 10, i = 1, 2 ,,, k

Prueba de uniformidad Chi Cuadrado

El estadstico de prueba X = 9.6 y el valor crtico = 21.7 para un
nivel de significancia del 1%, lo cual nos lleva a aceptar la hiptesis de que los
valores generados provienen de una distribucin uniforme. El valor P sera de
0.38.

Ejemplo. La tabla siguiente presenta la distribucin de frecuencia del nmero
de defectos encontrados en el anlisis de los ltimos 200 artculos producidos
en un proceso de produccin. Usando un nivel de confianza del 5% se desea
verificar mediante una prueba chi cuadrado si dichos valores proceden de una
distribucin de Poisson con una media de 3.5 defectos por artculo.

Solucin. Las hiptesis planteadas son las siguientes:
H0: f(x, ) = Poisson ( = 3.5)
H1: f(x, ) = Poisson ( = 3.5)
La tabla siguiente presenta los clculos requeridos para realizar la prueba de
bondad de ajuste. Para el clculo de f(x, ) que es una distribucin de Poisson
se us la siguiente relacin:

Solucin. El estadstico de prueba X = 20.0 y el valor crtico =
14.07
para un nivel de significancia del 5%, lo cual nos lleva a rechazar la hiptesis
de que el nmero de defectos del proceso sigue una distribucin de Poisson
con una media de 3.5 defectos por artculo.

El nmero medio de defectos observados en la muestra est dado por:

Podra pensarse que el nmero de defectos en el proceso s sigue una
distribucin de Poisson, pero con un parmetro diferente de 3.5, posiblemente
3.0. (Verifique que si se plantea como hiptesis nula H0: f(x, ) = Poisson ( =
3.0) el estadstico de prueba es 2.6 y en este caso no se rechaza la hiptesis
nula.

La tcnica de aceptacin y rechazo

Suponga que tenemos un mtodo eficiente para simular una variable aleatoria con
funcin de masa de probabilidad {q j, j >= 0} .Podemos emplearlo como la base para
simular a partir de la distribucin que tiene funcin de masa {pj, j >=0} primero
simulando una variable Y aleatoria con funcin de masa (qj) luego aceptar este valor
simulado con una probabilidad proporcional a pY/qY. Especficamente, sea c una
constante tal que:

Ahora tenemos la siguiente tcnica, llamada mtodo de rechazo o de aceptacin y
rechazo, para simular una variable aleatoria X con funcin de masa pj=P{X=j}.

Mtodo de rechazo
Simular el valor de Y, con funcin de de masa de probabilidad qj
Generar un nmero aleatorio U.
Si U =< pY /cqY, hacer X=Y y terminar. En caso contrario, regresar al paso 1.
Teorema El algoritmo de aceptacin y rechazo genera una variable aleatoria
X tal que P {X=j}=pj, j=0,....
Adems, el nmero de iteraciones del algoritmo necesarias para obtener X es una
variable aleatoria geomtrica con media c.
Demostracin: Para comenzar, determinaremos la probabilidad de que una nica
iteracin produzca el valor aceptado j.

Como cada iteracin produce de manera independiente un valor aceptado con
probabilidad 1/c, vemos que el nmero de iteraciones necesarias es una
geomtrica con media c. Adems

Esta tcnica se puede usar si existe otra funcin de densidad g(x) tal que cg(x) supera
la funcin de densidad f(x), es decir, cg(x) > f(x) para todos los valores de x. Si esta
funcin existe, entonces se pueden aplicar los siguientes pasos:
1. Genere x con la densidad g(x).
2. Genere y uniforme en [0, cg(x)].
3. Si y f (x), devuelva x y retorne. De lo contrario repita desde el paso 1.
El algoritmo permanece rechazando las variables x y y hasta que la condicin y f (x)
sea satisfecha.
Ejemplo:
Consideremos la funcin de densidad beta(2,4):

Esta funcin se muestra en la figura y puede ser limitada por el rectngulo de altura
2,11. Por lo tanto podemos usar c = 2,11 y g(x) = 1 para 0 x 1. La variables beta
(2,4) pueden ser generadas como sigue:

1. Genere x uniforme en [0, 1].
2. Genere y uniforme en [0, 2,11].
3. Si y 20x(1-x)3, devuelva x y retorne. De lo contrario vuelva al paso 1.
Los pasos 1 y 2 generan un punto (x, y) distribuido uniformemente en el rectngulo en
la figura. Si el punto cae sobre la densidad f (x), entonces el paso 3 rechaza x.
La eficiencia del mtodo depende de que tan bien g(x) limita a f (x). Si hay una brecha
muy grande entre cg(x) y f (x), entonces un gran nmero de puntos generados en los
pasos 1 y 2 sern rechazados. Similarmente, si la generacin de variables aleatorias
con g(x) es compleja, entonces el mtodo puede ser ineficiente.

BIBLIOGRAFIA

Material de clase. Diapositivas y Apuntes de clase ciclo 2010-1 UNI-FIIS, Simulacin, Ing.
Luis Zuloaga Rotta
Investigacin De Operaciones. WAYNE L. WINSTON
Simulacin. Generacin de variables aleatorias. Prof. Herbert Hoeger
webdelprofesor.ula.ve/ingeniera/hhoeger/simulacion/PARTE6.pdf .
http://www.ing.ula.ve/~hhoeger/simulacion/PARTE7.pdf
http://www.wiphala.net/courses/simulation/IN47/2006I/class/class_14_random_variate_generation
.doc
http://www.ulpgc.es/hege/almacen/download/5/5015/Complemento_3_Prueba_de_Bondad_de_Aj
uste_de_Kolmogorov_Smirnov.pdf
www.dmae.upm.es/.../5_DistribucionesDiscretas_total.ppt
http://www.scribd.com/doc/28459162/Generacion-de-Variables-Aleatorias
wwwdi.ujaen.es/asignaturas/computacionestadistica/pdfs/tema5.pdf

1er Lab Simulacion

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

1er Lab Simulacion

Uploaded by

Copyright:

Available Formats

SIMULACION DE SISTEMAS

You might also like